m0_54088522的博客

原创 复现faster-rcnn（jwyang的pytorch版本）

复现的是github上比较火的wyang版本，本地环境Ubuntu20.04+python3.6+pytorch1.5.1+cuda10.1autodl上的环境是Ubuntu20.04+python3.6+pytorch1.10.0+cuda11.3，两者都成功。

原创 【吴恩达深度学习L4W1】CNN的基础知识

在现在的深度学习框架中，你只需要实现前向传播，框架负责向后传播，所以大多数深度学习工程师不需要费心处理后向传播的细节，卷积网络的后向传递是有点复杂的。所有我就没学了，但还是把代码放在这里。CNN的一些基础：边缘检测、padding、stride、多通道卷积、单层卷积、简单的卷积模型、pooling、手写数字识别的CNN例子、CNN的优点。（2）搭建cnn网络，进行训练和测试，并画出误差下降曲线。2.CNN的应用手势识别（pytorch版）1.使用原生代码实现卷积网络。1.使用原生代码实现卷积网络。

原创 超简洁版：git的快速安装与配置

右键就可以看到 git bash 和 git GUI（如下），分别对应git的命令行操作入口和图形化操作入口。点击git Bash，输入git --version，回车。复制好后，进入代码托管平台（以github为例，提前注册号账号），通过头像找到设置，再找到SSH，把那一大串复制到Key的位置就可以了。配置身份就是设置用户名和邮箱，配置好之后可以在本地的.gitconfig文件中查看。输入命令 ssh-keygen -t rsa，然后连按几次回车即可。，直接傻瓜式安装就行了，一路默认。

原创 【吴恩达深度学习L2W2】优化算法

如果在此简单数据集上运行更多epoch，则这三种方法都将产生非常好的结果。但是，Adam收敛得更快。构建三层神经网络，使用小批量梯度下降、带冲量的小批量梯度下降、带Adam的小批量梯度下降三种优化算法运行此神经网络，体会不同。1.冲量通常会有所帮助，但是鉴于学习率低和数据集过于简单，其影响几乎可以忽略不计。3.Adam的优势包括：相对较低的内存要求（尽管高于梯度下降和带冲量的梯度下降）；3.动量梯度下降、RMSprop、Adam以及学习率衰减。1.批量梯度下降、随机梯度下降、小批量梯度下降。

原创 【吴恩达深度学习L2W1】权重初始化、正则化、梯度检验

用0初始化参数L = len(layers_dims) # 网络层数# 使用断言确保我的数据格式是正确的# 随机初始化参数L = len(layers_dims) # 表示层数的整数# 使用 10 倍缩放, 看看如果把w设置的很大会发生什么# 使用断言确保我的数据格式是正确的# he方法初始化参数np.random.seed(3) # 指定随机种子L = len(layers_dims) # 层数# 使用断言确保我的数据格式是正确的# 用0初始化参数，测试效果。

原创 【吴恩达L1W4】构建两层和深层神经网络

打印cost，画出cost下降曲线。4.实现反向传播模块（红色图）。初始化两层和深层的神经网络参数。实现正向传播模块（紫色图）。

原创 【吴恩达深度学习L1W3】单隐层神经网络分类二维数据

与L1W2内容基本一致，只不过网络更加复杂，包含了一层隐含层。主要案例是通过单隐层的神经网络分类二维数据。直接上代码，千言万语皆在注释中。

原创 【吴恩达深度学习L1W2】用神经网络思想实现逻辑回归

案例描述：将学习如何建立逻辑回归分类器用来识别猫。通过这个案例逐步了解神经网络的思维方式，同时磨练对深度学习的直觉。直接上代码，千言万语皆在注释中。

原创 Pytorch学习日记7：Save and Load the Model

1.保存载入模型权重2.保存和载入模型形状

原创 Pytorch学习日记6：Optimizing Model Parameters

准备好模型和数据后，需要通过训练来优化模型的参数。训练模型是一个迭代的过程，在每个迭代过程中（称为epoch），模型输出预测的结果，计算其预测的误差（损失loss），反向传播得到误差相对于其参数的导数，并使用梯度下降优化这些参数。本文讲解如何优化模型参数。

原创 Pytorch学习日记5： torch.autograd自动微分

在计算图中求梯度的一些概念。

原创 Pytorch学习日记4：Build the Neural Network

搭建神经网络的基本框架

原创 Pytorch学习日记3：Transforms

1.总体介绍2.ToTensor()3.Lambda Transforms 详解scatter_函数

原创 Pytorch学习日记1：Tensor

1.tensor初始化。4.与numpy的桥梁。2.tensor属性。3.tensor运算。

原创 Pytorch学习日记2：Datasets&DataLoaders

从torchvision中加载数据集；自定义的数据集；DataLoader的使用

原创 scanf(),getchar(),gets()进一步理解

scanf(),getchar(),gets()进一步理解

原创 删除数据、空值处理、重复数据处理

一.删除数据二.空值的处理df.fillna(value=None,method=None,axis=0,inplace=False,limit=None,downcast=None,**kwargs)value:填充空值method:{bfill、backfill、ffill、pad、None}bfill、backfill填充前一行、列pad、ffill填充后一行或者是列df.fillna(0) #用常数填充df.fillna(df.mean()) #用列平均值填充..

原创 数据写入和读取（CSV和Excel）

一.数据写入1.我们可以将数据写入文件并进行永久性保存，支持的文件格式为：HTML、CSV、JOSN、Excel。2.to_csv（path_or_buf='指定文件的本地路径'，index=false，encoding='utf_8_sig'）index=false 就可以不存储DataFrame中的行索引信息。没有encoding='utf_8_sig',打开的文件就是乱码。二.数据的读取1.使用read_csv()、read_excel()可以用来读取文件中的数据第一个参数

原创 Series和DataFrame的属性和方法

原创 python数据分析之Series和DataFrame的创建

1.简介Pandas是Python最重要的数据分析工具包，是Panel Data Analysis的缩写，也是目前最为流行的Python数据分析工具。最初被作为金融数据分析工具由全球资产管理公司AQR于2008年4月开发，并于2009年底开源出来。Pandas提供的数据结构和函数的设计，将使表格化数据的工作快速、简单、有表现力。所以利用Pandas进行数据操作、预处理、清洗是Python数据分析中的重要技能。Series和DataFrame是它的两种数据结构。2.Series的创建from